集合经验模态分解主成分分析分解消噪下的支持向量机组合模型预测

来源：计算机应用杂志2015年第3期北京时间：

作者：桑秀丽, 肖清泰, 王华, 韩继光

单位：1. 昆明理工大学 质量发展研究院, 昆明 650093;2. 省部共建复杂有色金属资源清洁利用国家重点实验室(昆明理工大学), 昆明 650093;3. 云南农业大学 机电工程学院, 昆明 650093;4. 昆明理工大学 土木工程学院, 昆明 650500

摘要：针对工业现场间歇性非平稳时间序列中的特征提取与状态预测问题,提出了一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和支持向量机(SVM)的预测新方法。首先,利用EEMD算法对间歇性非平稳时间序列进行多时间尺度分析,得到一组不同尺度的本征模函数(IMF)分量;然后,基于"3σ"原则估计噪声能量,自适应确定累计贡献率,利用PCA算法去除IMF中存在的噪声,降低特征维数和冗余度;最后,在确定SVM关键参数的基础上,以主分量作为输入变量预测未来。实例测试效果显示:平均绝对误差(MAE)、均方误差(MSE)、平均绝对误差百分比(MAPE)和均方误差百分比(MSPE)分别为514.774,78.216,12.03%和1.862%。实验结果表明:风能场输出功率时间序列经过EEMD算法和PCA算法的进一步消去噪声处理,在抑制混频现象发生的同时降低了非平稳性,使得最后进行SVM预测的精度较未经PCA处理更高。

关键词：间歇性非平稳时间序列,集合经验模态分解,主成分分析,支持向量机,组合模型预测

基金资助：国家自然科学基金资助项目(51406071,71363249);云南省科技支撑项目(KKSTJ201358015);云南省教育厅重点基金资助项目(2012Z101)